[发明专利]基于线性矩阵不等式的序列地形重叠视场估计方法

说明书

技术领域

本发明涉及地形导航过程中，用于确定深空探测器相对位姿的重叠视场估计方法，属于航天航空领域。

背景技术

导航、制导与控制技术是深空探测的关键技术之一，发展先进的导航与控制方法、提高探测器的运行性能和生存能力，是深空探测技术研究的重心。传统被动成像系统需要行星表面着陆点附近多种精确特征信息，不具备建立满足导航精度的行星模型的能力，随着深空探测任务对导航精度要求的提高，对先进导航敏感器和导航算法的需求愈发迫切。

主动光学敏感器可以用比较少的处理过程估计探测器和行星表面的相对运动，得到的地形点云数据比被动式成像技术包含更丰富的地形特征，通过对当前地形点云在行星三维模型全局范围进行匹配，能够实现行星绝对位置定位的功能。但是当探测器相对行星表面的姿态受扰动而变化时，敏感器的视场范围发生剧烈的变化，会引起地形图像序列之间的非重叠区域很大，导致地形匹配精度下降甚至匹配失败，这是因为在用于配准的地形数据中，只有重合的部分的数据能得到关联度高的地形特征，所以必须在待匹配的地形序列上估计包含相关联的特征的重叠区域。

常用的重叠视场估计方法是基于系统的状态估计问题开展的，利用滤波过程的下一时刻的状态预测值和当前状态的观测值进行重叠视场估计（参见J.F.Hamel,D.Neveu and J.D.Lafontaine.Feature Matching Navigation Techniques for Lidar-Based Planetary Exploration[C].Keystone,Colorado:AIAA Guidance,Navigation,and Control Conference and Exhibit.2006:1-9），将二者取交集即得重叠视场。状态估计问题比较成熟的方法是滤波方法，包括适用于线性系统的卡尔曼滤波方法，及适用于非线性系统的扩展卡尔曼滤波(Extended Kalman Filtering,EKF)算法和粒子滤波(Particle Filtering,PF)算法等。EKF的基本思想是将非线性函数在估计点附近进行泰勒级数展开并取其一次项，然后进行卡尔曼滤波，就是将非线性系统进行线性化处理。EKF是一种次优滤波，而且因为EKF未考虑误差的分布情况等原因，易出现滤波发散等问题，特别是当系统高度非线性或非高斯的情况。当系统非线性、非高斯特性较强时，EKF和UKF等滤波性能急剧下降甚至出现发散。Gordon等提出了粒子滤波算法，并成功应用于状态估计。粒子滤波是一种序贯蒙特卡罗信号处理技术，其基本思想是由加权的离散随机采样点表征系统状态的后验概率密度。粒子滤波采用一组带有权值的随机样本粒子来描述概率分布。在概率高的区域，粒子的密度就大，相反，在概率低的区域，粒子的密度就小。每个滤波器对应一个位置，利用观测对每个滤波器进行加权传播，从而使最有可能位置的概率越来越高，因此，粒子滤波能够比较精确地表达基于观测量和控制量的后验概率分布。粒子滤波定位方法能够表示多峰分布，降低了存贮空间，易于实现，鲁棒性强，是一种很有效的定位方法。

另一种方法是利用导航系统内部的探测器动力学模型，在当前控制量的作用下用线性矩阵不等式方法对下一时刻的探测器状态做出预测（参见D.Li,N.Hovakimyan,C.Cao,K.Wise.Filter Design for Feedback-loop Trade-off of L_1Adaptive Controller:A Linear Matrix Inequality Approach.Honolulu,Hawaii:AIAA Guidance,Navigation and Control Conference and Exhibit.2008.AIAA-2008-6280）。系统的状态估计性能主要可以从三个方面考虑：估计的精度、快速性能、鲁棒性。许多系统都以其稳态为正常工作状态，其精度主要以其输出误差的稳态协方差来描述。上面的滤波方法即为精度为先的状态估计方法。它的设计目的是使滤波器的估计误差的方差达到最小，但由最小方差理论构成的滤波器解是唯一的，这给系统其它性能的改善带来了困难。在实际工程系统的设计中，往往只要求滤波器的误差的协方差小于允许值即可。在考虑系统的快速性能及鲁棒性时，在一个预定的区域内估计系统状态更为重要。因为这种区域的约束比精确极点区域的约束条件宽松的多，同样会带来估计算法的设计方便和设计的自由度，减小估计的保守性，而这正是在最大化重叠视场的估计算法中所需要的。